在线广告是通过网络广告平台在网络上投放广告,其作为广告主向用户传达信息的载体,在数字经济时代已经被证明了具有显著的意义,它是诸多互联网公司重要的商业利润模式之一,是媒体主要的收入来源。随着网络技术的发展和广泛应用,如何在大数据背景下精确地对广告主与广告位进行匹配,使广告在合适的时机,合适的广告位上展示给合适的用户,一直是学术界和工业界高度关注的问题。点击率是在线广告中的一个重要的指标,能够帮助广告主进行广告性能优化和广告预算投放。然而由于其数据稀疏性的特征,使得点击率的评估难以达到很高的准确度。传统的做法是将点击率预估转为分类问题,使用机器学习的方法来解决。本文提出了一种基于数据分层的动态点击率预估算法,不仅从基于决策树分类器的角度加以改进,引入梯度提升树,改善传统方法的结果,而且从广告主数据本身的角度出发,充分考虑数据本身的层次关系,从空间与时间两方面对数据进行映射,极大地提高了预估的可靠性,有效地缓解了数据稀疏性问题。实时竞价是在线广告发展的趋势,其相应算法设计的好坏直接影响到广告主的投资回报率。目前常用的算法是线性竞价策略,即竞价价格与预估的竞价请求的点击率成正比。这种算法能满足大部分广告主的需求,然而针对预算严重受限的小广告却不适用。本文分析研究了广告主赢得竞价成功概率模型,得到结论：当竞价较低时,提升竞价能大幅增加赢得竞价的概率；当竞价较高时,降低竞价对赢得竞价的概率影响不大。提出了预算再分配模型,将竞价空间分成不同的区间,将预算消耗在最优价格区间。结合上述两点给出了一个基于动态点击率预估的分段竞价算法,很好地解决了小广告主的利益问题。最后,在真实互联网公司的广告数据集上针对本文所提出的两个算法进行实验仿真,并就它们与相应的传统算法做实验对比,结果表明算法在性能上都有很大的提升,这将对提高预算严重受限的小广告主的投资回报率有很大的意义。